كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعي

مختبر الرؤية الحاسوبية الدروس U-Net وتجزئة الصور الطبية العميقة

U-Net وتجزئة الصور الطبية العميقة

U-Net for medical segmentation

بنية U-Net وnnU-Net وخسارة Dice، وتشغيل نموذج MONAI حقيقي في المتصفح.

متقدم40 دقيقةالتصوير الطبيالصور الطبية

هذا المحتوى أُعدّ آلياً من مصادر موثقة ولم تكتمل مراجعته العلمية البشرية بعد. إن وجدت خطأً فأبلغنا.

المقدمة

U-Net معيار التجزئة الطبية منذ 2015، وnnU-Net جعلها قوية دون ضبط يدوي.

الأهداف التعليمية

  • فهم المشفر–المفكك والاتصالات القفزية.
  • فهم خسارة Dice.
  • تشغيل نموذج حقيقي ومعرفة حدوده.

المتطلبات السابقة

التجزئة الكلاسيكية الطبية، شبكات التجزئة الدلالية.

الشرح العلمي

المشفر يصغر الدقة ويزيد القنوات ليلتقط السياق، والمفكك يستعيد الدقة، والاتصالات القفزية تنقل التفاصيل. خسارة Dice تعالج عدم توازن الفئات. nnU-Net يختار المعالجة المسبقة والمعمارية والتدريب آلياً من خصائص البيانات. النموذج في المختبر (MONAI ventricular_short_axis_3label) مدرب على مقاطع رنين قلبي قصيرة المحور، ولا معنى لمخرجه على صور أخرى.

المعادلات الرياضية

L_Dice = 1 − 2Σ p_i g_i / (Σ p_i + Σ g_i).

مثال عملي

على صورة غير قلبية يُخرج النموذج أقنعة عشوائية المظهر؛ هذا مثال حي على خطر التطبيق خارج توزيع التدريب.

خطوات التنفيذ

  1. اختر أداة «نموذج تجزئة مدرّب» في المختبر الطبي.
  2. شغّله على مقطع رنين قلبي قصير المحور إن توفر لديك بترخيص مناسب.
  3. ارفع قناع حقيقة أرضية لحساب Dice.

النتائج المتوقعة

تفهم أن الأداء المنشور لا ينتقل تلقائياً إلى بيانات مختلفة.

الأخطاء الشائعة

تقييم النموذج على بيانات من التوزيع نفسه الذي تعلّم منه دون اختبار خارجي.

التطبيقات العملية

تجزئة الأعضاء والأورام، القياسات الكمية.

المراجع

  1. O. Ronneberger, P. Fischer, T. Brox (2015).U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI 2015 (LNCS 9351). doi:10.1007/978-3-319-24574-4_28
  2. F. Isensee et al. (2021).nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nature Methods 18. doi:10.1038/s41592-020-01008-z
  3. M. J. Cardoso et al. (2022).MONAI: An open-source framework for deep learning in healthcare. arXiv:2211.02701. doi:10.48550/arXiv.2211.02701
  4. Project MONAI (2023).Model Zoo: ventricular_short_axis_3label. github.com/Project-MONAI/model-zoo. github.com

تجارب مرتبطة

خوارزميات مرتبطة

جرّب في الصور الطبية